【ICLR 2023】时序精选论文03｜TimeNet: 借助FFT的周期性提取与二维空间建模（代码解读附源码）

已于 2024-05-17 13:33:48 修改
阅读量769 收藏 1
点赞数 6
CC 4.0 BY-SA版权
分类专栏： 时间序列预测项目实战 文章标签： 机器学习 人工智能 深度学习 算法
于 2024-05-15 19:47:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ViolenceTemper/article/details/138921002
TimesNet模型通过FFT变换处理时序数据，挖掘周期内和周期间的时序变化，适用于复杂时间序列分析。模型结构采用Block堆叠，结合傅里叶变换在二维空间建模，有效提取周期特征。
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【ICLR 2023】时序精选论文02｜PatchTST: 片段输入与独立变量思想（代码解读附源码）
ViolenceTemper的博客
04-30 2438
本文主要结合PatchTST的源码对内部工作原理进行学习解析文章提出的主要几个创新点：1、主要是对于输入数据的改变，将已经切分好的样本（数据预处理阶段构建的训练集）再输入时切分为小片段（这个操作在后面的Crossformer中的输入也出现了，或许此类操作是着实有效的）；2、独立的变量处理，主要意思是在变量的维度上进行单独的计算，不同于一般性的Transformer的编码计算（这一点的代码逻辑与Crossformer中也很类似，可以参考文章。
【ICLR 2023】时序精选论文01｜CrossFormer: 实现多维变量间的羁绊（代码解读附源码）
ViolenceTemper的博客
04-26 1657
作者认为先前的基于Transformer的模型在捕获长期时间依赖性上可谓是下足了功夫，还提出各种Attention变体来降低复杂度。然而，这些方法都忽略了对不同变量的“跨维度依赖性”的捕获，也就是多变量时序中不同变量序列的相关性。作者认为对这种相关性的捕获是重要的，尤其是对于多变量时序预测任务来说。大框架上仍然使用了Encoder-Decoder结构。
【论文阅读笔记】TimesURL: Self-supervised Contrastive Learning for Universal Time Series
qq_44653420的博客
01-25 2028
【论文阅读笔记】TimesURL: Self-supervised Contrastive Learning for Universal Time Series
第1017期机器学习日报(2017-07-01)
ai100_ml的博客
07-03 609
机器学习日报 2017-07-01 强大的PyTorch：10分钟让你了解深度学习领域新流行的框架 @阿里云云栖社区文本聚类：快速洞悉非结构化数据 @爱可可-爱生活机器学习优化：鲁棒 vs. 全局最小 @爱可可-爱生活Yann LeCun台大报告《深度学习与AI之路》 @爱可可-爱生活斯坦福CoreNLP官方Python接口 @爱可可-爱生活 @好东西传送门 出品,由@AI100
二维表示的 Time Analysis 框架 — TimesNet
加油写代码
11-03 1578
提出：二维表示的 Time Analysis 框架 — TimesNet，探索视觉及卷积技术在通用时间序列任务上的可能性。
23、TimeNET 3.0：离散事件系统建模与性能评估的利器
CAT789的专栏
07-28 56
TimeNET 3.0 是一款用于离散事件系统建模与性能评估的强大工具，支持多种类型的 Petri 网模型，包括马尔可夫再生随机 Petri 网及其有色扩展。其功能涵盖底层时间尺度选择、实验参数调整、瞬态分析、模拟以及图形化模型编辑，特别适用于制造系统的建模与性能优化。TimeNET 3.0 提供了高效的数值分析方法和模拟模块，并支持多人通过互联网协同工作，提升了模型开发效率。本文通过一个具体的制造系统应用示例，详细介绍了 TimeNET 3.0 的建模流程、性能评估方法及其在实际中的应用效果。
论文笔记 | ICLR 2023 ReAct：通过整合推理和行动来增强语言模型
叶庭云 成为自己的光
12-19 2413
论文笔记 | ICLR 2023 ReAct：通过整合推理和行动来增强语言模型
时序必读论文11｜ICLR23 TimesNet时间序列分析的二维变化建模
u010681011的专栏
09-17 1176
时间序列分析中，如何有效地建模时序数据中的时间变化是关键，然而直接从一维时序数据提取这种变化很困难。本文提出一种新的时序分析方法——二维变化建模TimesNet。该方法将一维时间序列数据转换为二维张量，作者基于时序数据的多周期性特点，将数据分解为多个周期内变化和周期间变化，并将这些变化分别嵌入到二维张量的列和行中。这样的好处在于可以利用二维卷积核对这些二维张量进行建模，从而提取出时间序列中更深层次的时间变化特征。
TimeNet 论文总结（1）
qq_36787872的博客
08-25 844
本文系统介绍了TimeNet算法在时间序列领域的突破性创新。该算法通过将1D序列投影为2D结构，结合傅里叶变换和多周期拆解，显著提升了特征提取效率。相比传统算法，TimeNet在长/短期预测、分类、补全和异常检测五大任务中均展现卓越性能，堪称时间序列领域的六边形战士。
TimeNet 论文总结（2）
qq_36787872的博客
08-28 1124
TimeNet是一个端到端的时间序列处理算法，其核心流程包括：1）通过傅里叶变换提取周期特征并计算振幅；2）Topk筛选关键周期；3）Padding和Reshape构建2D结构；4）2D卷积提取特征；5）还原1D序列并截断；6）加权叠加融合多周期特征；7）残差连接缓解梯度消失。该算法采用TimesBlock模块堆叠结构，通过调节堆叠层数适应不同复杂度任务，在长时间序列预测、短时预测、分类等五大任务上表现优异。实验证明其优于传统ARIMA、TCN及多种Transformer类算法，具有较强工程应用价值。
随机Petri网理论在GSM_R通信系统中的仿真应用
01-10
列车和无张闭塞中心在多数情况下处于正常状态，但在实际通信过程中可能出现以下几种引发故障因素：传输数据出错、连接丢失、越区切换、端到端传输延时。应用仿真主要考虑高速列车在移动闭塞区间条件下GSM-R无线通信系统的可靠性，结合随机Petri网络理论对GSM-R铁路无线通信系统故障恢复事件进行建模和分析，给出了随机Petri网表示的列车与无线闭塞中心通信的故障恢复模型，并采用TimeNET仿真工具对GSM-R通信系统的可靠性进行分析得出相应结论。
TimesNet+Tsmixer多变量时间序列预测 timesnet/tsmixer Timenet是2023年4月发表了一个新的模型
VFPGAlogXp的博客
03-07 1390
TimesNet是2023年4月发表的一个新型模型，该模型以其出色的性能在时间序列分析的多个任务中实现了最先进的结果。今天，我们要探讨的是TimesNet和Tsmixer这两种模型，尤其是它们在多变量时间序列预测中的应用。随着深度学习技术的不断发展，我们期待看到更多创新的方法和策略被应用到这个领域，推动多变量时间序列预测的进一步发展。与LSTM系列的以前的模型不同，它使用基于cnn的架构来跨不同的任务获得最先进的结果，使其成为时间序列分析的基础模型的绝佳候选。2.多变量预测，多变量输入，单变量输出。
Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors
weixin_45731480的博客
06-16 1181
现实世界的时间序列具有内在的非平稳性，这对深度预测模型提出了主要挑战。虽然以前的模型因时间分布变化而受到复杂的序列变化的影响，但我们用现代库普曼理论来处理非平稳时间序列，该理论从根本上考虑了潜在的时变动力学。受描绘复杂动力系统的库普曼理论的启发，我们通过傅立叶滤波器从复杂的非平稳序列中分离出时变和时不变分量，并设计库普曼预测器来推进各自的动力学。从技术上讲，我们建议 Koopa 作为一种新颖的 Koopman 预测器，由可学习分层动态的可堆叠块组成。
机器学习-特征选择
ArtoriaLili的博客
12-20 163
特征选择 首先从特征全集中产生一个特征子集，然后用评价函数对该特征子集进行评价，评价结果与停止准则进行比较，如果评级结果比停止准则好就停止，否则就继续产生下一组特征自己，选出来的特征子集一般还要验证其有效性。其在空间采样，样本划分中的表现较多，同时噪声影响大，因此需要进行特征降维。修斯现象说明，随着特征数量的增加，分类器的性能也会提高，直到达到最佳特征数。特征选择能剔除不相关和冗余特征，从而达到减少特征个数，提高模型精度，减少运行时间的目的。2.特征个数越多，会有维度灾难，模型越复杂，推广能力也会下降。
01.需要了解的五种机器学习类型
AI算法蒋同学的博客
12-18 671
ML 是计算机科学、[数据科学]和[人工智能] (AI) 的子集，它使系统能够从数据中学习和改进，而无需额外的编程干预。ML 模型不依赖用于性能优化的显示指令，而是采用算法和统计模型，以根据数据模式和推论来部署任务。换句话说，ML 利用输入数据来预测输出，并随着新数据的出现不断更新输出。例如，在零售网站上，机器学习算法通过根据购买历史提出建议来影响消费者的购买决策。
【第二阶段—机器学习入门】第十五章：机器学习核心概念
最新发布
勇气要爆发的博客
12-20 567
生活类比传统编程就像是照菜谱做菜。你告诉电脑每一步怎么切、怎么炒（规则），给它食材（数据），它给你做出一道菜（结果）。机器学习就像是教徒弟做菜。你给徒弟尝100道好吃的菜（数据+结果），让他自己去琢磨其中的规律（模型），最后他学会了做菜（规则）。核心区别传统编程：输入规则数据= 输出答案机器学习：输入数据答案= 输出规则(这个规则就是模型✅监督学习：有标签，预测数值(回归)或类别(分类)。✅无监督学习：无标签，发现数据结构(聚类)。✅数据集划分：训练集(学习)、测试集(考试)，严禁作弊。✅。
机器学习高阶教程＜8＞分布式训练三大核心策略拆解
2303_77568009的博客
12-20 619
当单卡GPU遭遇显存不足、训练过慢的瓶颈时，分布式训练是突破限制的关键。本文深入浅出地解析了分布式训练的三大核心策略：数据并行通过复制模型、同步梯度实现高效训练；模型并行通过流水线与张量拆分攻克大模型存储难题；混合并行结合ZeRO等技术进一步优化资源。文中不仅配有PyTorch DDP、Megatron-LM等实战代码，还总结了常见陷阱与解决方案，助你轻松驾驭大规模模型训练。
多模态模型CLIP详解
A1233242的博客
12-17 949
CLIP（Contrastive Language–Image Pretraining）是 OpenAI 提出的一种多模态模型，通过对大量“图像–文本”对进行对比学习训练，使模型能够将图像和自然语言映射到同一个语义空间中。它不需要为每个视觉任务单独标注数据，而是通过理解文本描述来完成图像分类、检索和零样本学习等任务，从而具备很强的泛化能力和跨模态理解能力
机器学习第一部分---线性回归
zxy916740139的博客
12-16 727
线性回归核心本质：数理统计中用回归分析量化变量间定量依赖关系的方法，聚焦“有方向的因果影响”。相关关系的两类：因果关系：变量有“原因→结果”方向，需分自变量（因）/因变量（果），线性回归用它算“自变量每变1单位，因变量平均变多少”（权重θ体现影响大小与方向）。平行关系：变量仅“伴随变化”无因果（，不区分自变量/因变量，只用相关系数r。关键区别：回归是“因果建模”（定量算影响），相关是“关联描述”（只说紧密度）；线性回归是回归分析在“线性关系”下的具体实现。
微软亚洲研究院精选ICLR 2020论文解读：BERT与视觉-语言任务新进展
微软亚洲研究院在该领域贡献了多篇高质量的研究论文，本文精选了四篇具有代表性的论文进行解读。 ### BERT 在机器翻译中的应用 BERT（Bidirectional Encoder Representations from Transformers）是一种由谷歌开发...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值